Ressourcen

Was ist Künstliche Intelligenz und was sind Applikationen in der Produktion?

Künstliche Intelligenz ist in aller Munde – doch was ist das eigentlich und wie kann diese in der Produktion eingesetzt werden? In diesem Blogbeitrag wird die Relevanz für die Fertigung mit komplexen Produktionsprozessen erklärt. Wir definieren den Begriff der KI, grenzen diesen ab, zeigen die Vorteile in der Produktion, vier konkrete Anwendungen und geben eine Anleitung, um Use-Cases zu identifizieren.

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (KI) lässt sich am Beispiel der sogenannten Agenten-Theorie erklären. Hierbei wird die Welt abstrakt als Umgebung und einem Agenten dargestellt. Dieser nimmt die Umgebung über Sensoren war und kann mit dieser über Aktoren agieren. Basierend auf seinen Sensoren führt dieser eine Entscheidungsfindung aus und wählt die passende Aktion aus. Dies ist in der folgenden Abbildung dargestellt.

Agenten-Theorie dargestellt

Nehmen wir als Beispiel den Regensensor im Auto. Dieser nimmt die Umgebung über einen Feuchtigkeitssensor wahr. Als Entscheidungsfindung wird überprüft, wann der Scheibenwischer – der Aktor – eingeschaltet werden soll. In der Ausgestaltung des Entscheidungsprozesses kommt die KI ins Spiel. In der klassischen Automatisierungstechnik wird ein fixer Schwellwert für einen akzeptablen Feuchtigkeitswert festgelegt oder ein Regler implementiert. Soll die Entscheidungsfindung über eine Künstliche Intelligenz abgebildet werden, verläuft die Implementation anders. Statt einem fixen Schwellwert wird der KI ein historischer Verlauf zur Verfügung gestellt. Dieser beinhaltet zum Beispiel als Eingangswerte Daten aus dem Feuchtigkeitssensor. Als Ausgangsmerkmal wird die Information, wann der Scheibenwischer eingeschaltet wurde, bereitgestellt. Die KI erlernt auf den historischen Daten die Entscheidungsfindung selbst.

EntscheidungsfindungWas wird vorgegeben?Beispiel
Klassische AutomatisierungstechnikStatische Wenn-Dann-RegelnRegensensor im Auto schaltet Scheibenwischer bei Regen „Wenn Feuchtigkeit über X dann Scheibenwischer = EIN“
Künstliche IntelligenzDatensatz mit Entscheidungen in der Vergangenheit1000 Autofahrten mit Informationen, wann der Scheibenwischer angeschaltet wurde. Die KI soll erlernen, wann der Scheibenwischer aktiviert wird.
Unterschied in der Entscheidungsfindung

Welche Kategorien von KI existieren?

Künstliche Intelligenz (KI) lässt sich in drei Kategorien einteilen. Schwache KI oder auch enge KI ist auf eine konkrete Aufgabe spezialisiert. Zum Beispiel fällt die automatische Erkennung der Qualität eines Bauteils mit Hilfe eines Algorithmus unter dieses Feld. Der Begriff „Schwach“ darf jedoch nicht bezüglich der Leistungsfähigkeit fehlinterpretiert werden– diese kann den Menschen bei Weitem übertreffen.

Eine KI die mehr als nur eine spezifische Aufgabe lösen kann und dem Menschen ebenbürtig ist, wird als stark bezeichnet. Einen Schritt weiter, spricht man von einer „Super KI“. Diese übertrifft die Leistungsfähigkeit des Menschen bei Weitem. Sowohl Starke als auch Super KI sind heute (noch) nicht erreichbar. Wenn Sie Warnungen über die Gefahren von KI, wie beispielsweise hier von Herrn Musk lesen, ist von diesen spekulativen Umsetzungen von KI die Rede. Alle heutigen Anwendungen greifen auf eine „schwache“ KI zurück.

Arten der Künstlichen Intelligenz

Wieso ist KI in der Produktion relevant?

Von der schwachen KI in die Anwendung. Eine domänen-spezifische Aufgabe durch eine KI abzubilden, bringt unter anderem folgende Vorteile mit sich:

  • Subjektiven Einfluss minimieren: Alles, was schiefgehen kann, wird auch schiefgehen – Murphy‘ Gesetz. Eine KI kann den Faktor Mensch mit seinem subjektiven Verhalten durch eine datenbasierte kontextbezogene Entscheidungsfindung ersetzen
  • Schneller entscheiden: Menschen benötigen Zeit, um komplexe Situationen zu bewerten und zu entscheiden. Qualitätsüberprüfungen benötigen ebenfalls Zeit, um ein Bauteil als „Gut“ oder „Schlecht“ zu klassifizieren. Die KI kann dank Rechenleistung schneller zum Ziel kommen.
  • Kosten reduzieren: Den Arbeitsfaktor Mensch für komplexe transaktionale Aufgaben einzusetzen, stellt oft einen hohen Kostenfaktor dar. Kann die Aufgabe durch eine KI abgebildet werden, ist dies oftmals kostengünstiger.

Welche Methoden der KI existieren?

Für jeden Topf gibt es einen Deckel – so auch mit den Methoden der KI. Stellen wir uns KI als Motor vor, benötigt man Treibstoff, um diesen zu betreiben. Hier kommen Daten in Spiel. Für die Produktion werden die relevanten Datentypen in drei Gruppen eingeteilt:

TypBeispiel
Tabellarische Daten / ZeitserienTemperaturen an der Anlage zu einem Zeitpunkt
Bild-/VideodatenBild zur Qualitätsüberprüfung
TextPrüfzeugnisse vom Lieferanten
Relevante Datenarten in der Produktion

Die Methoden der KI lassen sich in überwachtes und unüberwachtes Lernen einteilen. Überwacht heißt, der Algorithmus soll erlernen, von Eingangswerten auf eine bekannte Ausgangsgröße zu schließen. Die kann weiter in Regression und Klassifikation unterschieden werden. Erstere Ansatz zielt darauf ab einen quantitativen Wert, beispielsweise die Bauteilhöhe, vorherzusagen. Bei der zweiten Methode, Klassifikation, wird den Eingangsparametern eine Klasse zugeordnet. Diese Klassen können binär (1 oder 0) oder mehrere Klassen (Multi-Class Problem) beinhalten. Im Gegensatz zum unüberwachtes Lernen, hier existieren keine bekannten Ausgangsgrößen. Hierbei wird nur nur auf bekannte Eingangswerte zurückgegriffen und versucht diese zum Beispiel zu gruppieren.

Für jede Methode existieren diverse Algorithmen wie beispielsweise Künstliche Neuronale Netze oder XGBoost. Die einzelnen technischen Ansätze haben unterschiedliche Anforderungen an Rechenleistung und die Datensätze. Ein allgemeines Vorgehen, der für jeden Anwendungsfall geeignet ist, existiert nicht – dies geht aus dem „No Free Lunch Theorem“ hervor.

ArtMethodeTabellarische Daten/
Zeitserien
Bild-/
Videodaten
Text
Überwachtes LernenRegressionXX
Überwachtes LernenKlassifikationXXX
Unüberwachtes LernenBspw. ClusteringXXX
Übersicht über Algorithmenarten

Vier reale Applikationen von KI in der Produktion

  1. Automatisierte Bilderkennung zur Qualitätsüberprüfung
    Die Objekterkennung auf Bildern – zum Beispiel ob alle Bauteile montiert sind – ist ein greifbarer Anwendungsfall. Falls wenig Bilddaten für ein Anpassen eines Algorithmus vorhanden sind, bieten sich sogenannte vortrainierte Ansätze an. Mit der Open-Source Bibliothek Keras werden vortrainierte Standard Convolutional-Neural-Networks zur Bilderkennung kostenlos zur Verfügung gestellt.
  2. Inspektionsfrequenz dynamisch anpassen
    Prüfpläne sind oftmals statisch gestaltet. So wird beispielsweise jedes Produkt oder jede halbe Stunde ein Bauteil entnommen und überprüft. Hieraus resultieren Prüfkosten. Diese können reduziert werden, indem mit einer KI die Qualität vorhergesagt und dynamisch entschieden wird, ob eine Prüfung erforderlich ist. Tipp: Hier nachlesen, wie wir 70% Prüfkosten bei HEXPOL Compounding eingespart haben.
  3. Handlungsempfehlungen zur Prozessadaption
    Erfahrene Mitarbeiter an der Anlage wissen, wie und wann eine Anlage adaptiert werden muss, sollte ein Fehler auftreten, während einem neuen Kollegen dies schwerer fällt. Hier kann KI assistieren und objektive Handlungsempfehlungen aussprechen, um fehlende Erfahrung kompensieren.
  4. Erkennung von abnormalen Verhalten
    Komplexe Anlagen mit vielen Einstellmöglichkeiten sind schwierig zu überblicken. Eine gesamtheitliche Betrachtung ist schwierig. Eine KI überwacht alle Datenstreams und erlernt dynamisch “normales” von „abnormalen“ Verhalten zu unterscheiden und den Mitarbeiter an der Anlage zu benachrichtigen.

Tipps für den Einsatz von KI in der Produktion

Sie starten gerade mit der digitalen Transformation in der Produktion und fragen Sich, wo KI Mehrwerte generieren kann? Fangen Sie an, aufzuschreiben, wo die größten Kostenquellen im letzten Jahr waren. Als Beispiel kommt eine falsch ausgeführte Qualitätsüberprüfung mit den höchsten Kosten heraus. Als Lösung hierfür, könnte eine KI die Qualität stattdessen vorhersagen. Im Anschluss notieren Sie die Einflussfaktoren auf das Qualitätsergebnis – zum Beispiel Materialdaten oder Maschinenparameter. Welche Faktoren sind digital verfügbar, bei welchen werden Daten noch per Stift und Papier erfasst? Sollten die aus Ihrer Sicht relevanten Faktoren bereits digital verfügbar sein, wäre dies ein guter Ansatzpunkt. Für den Anfang bietet es sich an, drei bis fünf Applikationen zu erarbeiten und diese nach Kostenhöhe und Schwierigkeit einzustufen. Ein leitendes Framework hierfür ist das CRISP-DM – hier im Vergleich zum A3-Report dargestellt.


Zusammenfassung

Heutige Anwendungsfälle von Künstlicher Intelligenz (KI) in der Produktion beschränken sich stets auf eine domänen-spezifische Aufgabe. Ein Beispiel ist die Qualitätsvorhersage basierend auf Prozessparametern. Als Treibstoff für die KI existieren drei wichtige Datentypen: Zeitserien/Tabellarische Daten, Bilder/Videos und Text. Als Anwendungsfälle können Bildauswertungen automatisiert, Qualitätsinspektionen reduziert oder Adaptionen von Produktionsprozessen empfohlen werden. Um mit dem Thema anzufangen, bietet es sich an die größten ungeplanten Kostenpunkte des letzten Jahres zu analysieren und mögliche Anwendungsfälle so zu identifizieren.

Mehr erfahren?

Wollen Sie einen Erfahrungsbericht über die Implementation von KI in der Produktion lesen? Hier können Sie nachlesen, wie wir mit HEXPOL Compounding 70% der serienbegleitenden Prüfungen eingespart haben.

Bei spezifischen Fragen können Sie sich gerne per E-Mail bei mir melden (E-Mail: [email protected]).